Neurologowie projektują model, który naśladuje ludzkie uczenie się wzrokowe

Programując sztuczną inteligencję (AI) komputerową, aby używała szybszej techniki do nauki nowych obiektów, AI zaczyna funkcjonować bardziej jak ludzka inteligencja. To następuje, gdy dwaj neurologowie zaprojektowali model, który naśladuje ludzkie uczenie się wzrokowe.

Badania przeprowadzone przez Maximilliana Riesenhubera, PhD, profesora neurologii w Georgetown University Medical Center, oraz Joshui Rule, PhD, stypendystę w UC Berkeley, zostały opublikowane w czasopiśmie Frontiers in Computational Neuroscience. 

AI uczy się nowych pojęć wzrokowych

Neurologowie wykazali, jak nowe podejście poprawia możliwość oprogramowania AI do szybkiego uczenia się nowych pojęć wzrokowych.

“Nasz model dostarcza biologicznie uzasadniony sposób, w jaki sieci neuronowe mogą uczyć się nowych pojęć wzrokowych z niewielkiej liczby przykładów”, mówi Riesenhuber. “Możemy nauczyć komputery, aby uczyły się znacznie lepiej z niewielu przykładów, wykorzystując wcześniej nabyte wiadomości w sposób, który uważamy za odzwierciedlenie tego, co robi mózg.”

Ludzie mają zdolność do nauki nowych pojęć wzrokowych z rzadkich danych bardzo szybko i dokładnie. Posiadamy tę zdolność już w bardzo młodym wieku, nawet od trzech miesięcy. Jednak komputery wymagają wielu przykładów tego samego obiektu, aby w końcu wiedzieć, co to jest.

“Obliczeniowa moc hierarchii mózgu leży w potencjale do uproszczenia nauki, wykorzystując wcześniej nabyte reprezentacje z banku danych, jakby, pełnego pojęć o obiektach”, mówi Riesenhuber.

Sztuczne sieci neuronowe a ludzki system wzrokowy

Riesenhuber i Rule odkryli, że sztuczne sieci neuronowe mogą uczyć się nowych pojęć wzrokowych znacznie szybciej, zbliżając się do poziomu ludzkiej zdolności.

“Zamiast uczyć się pojęć na wysokim poziomie w kategoriach niskopoziomowych cech wzrokowych, nasze podejście wyjaśnia je w kategoriach innych pojęć na wysokim poziomie”, mówi Rule. „To jest jak powiedzenie, że platypus wygląda trochę jak kaczka, boberek i wydra morska.”

Ludzkie uczenie się pojęć wzrokowych opiera się silnie na sieciach neuronowych zaangażowanych w proces rozpoznawania obiektów, a przednia część płata skroniowego mózgu uważana jest za zdolną do wykraczania poza kształt w odniesieniu do reprezentacji pojęć. Ponieważ te hierarchie neuronowe zaangażowane w rozpoznawanie wzrokowe są tak złożone, ludzie mogą uczyć się nowych zadań i wykorzystywać wcześniej nabyte wiadomości.

“Poprzez ponowne wykorzystanie tych pojęć, możesz łatwiej uczyć się nowych pojęć, nowych znaczeń, takich jak fakt, że zebra jest po prostu koniem o innym umaszczeniu”, mówi Riesenhuber.

AI jeszcze nie osiągnęło tego samego poziomu, co ludzki system wzrokowy, który ma wyższą zdolność do uogólniania z niewielu przykładów, radzenia sobie z wariacjami obrazu i zrozumienia scen. Jednak postępy przybliżają je do tego.

“Nasze odkrycia nie tylko sugerują techniki, które mogą pomóc komputerom uczyć się szybciej i efektywniej, ale mogą również prowadzić do udoskonalonych eksperymentów neurologicznych ukierunkowanych na zrozumienie, jak ludzie uczą się tak szybko, co jeszcze nie jest dobrze zrozumiane”, mówi Riesenhuber.